Four-Stage Data Quality Framework for Multi-Source Oncology Real-World Data Integration: Validation Using Health Datasets Mapped to the OMOP Common Data Model

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van een plaats delict, is je plaats delict een berg medische dossiers. In de wereld van de moderne geneeskunde, vooral bij het bestuderen van kanker, vertrouwen onderzoekers niet langer alleen op gecontroleerde laboratoriumexperimenten; ze kijken naar "Real-World Data" (gegevens uit de echte wereld). Zie dit als de rommelige, alledaagse papierwinkel van ziekenhuizen, klinieken en apotheken—de werkelijke aantekeningen die artsen maken, de uitslagen die ze printen en de recepten die ze uitschrijven. Deze data zijn goud waard omdat ze laten zien hoe behandelingen werken in de echte wereld, en niet alleen in een perfect reageerbuisje.

Echter, dit goud ligt vaak begraven onder het vuil. Het ene ziekenhuis schrijft misschien "hartaanval", terwijl een ander "myocardinfarct" schrijft, en een derde gebruikt gewoon een code zoals "410.0". Als je deze dossiers probeert te mengen om patronen te vinden, is dat alsof je probeert een huis te bouwen met een mix van bakstenen, LEGO en gladde rivierstenen. De structuur stort in. Om dit op te lossen, gebruiken wetenschappers een "Common Data Model" (een gemeenschappelijk datamodel), wat een soort universele vertaler of een standaard blauwdruk is die elke informatie in dezelfde vorm en label dwingt. Maar hier zit de crux: alleen omdat de bakstenen er hetzelfde uitzien, betekent dat nog niet dat het de juiste bakstenen zijn. Je kunt een baksteen hebben die zegt "Patiënt overleden in 2020", maar ook een aantekening heeft "Patiënt bezocht de dokter in 2021". Dat is onmogelijk, maar een computer zou dit niet merken, tenzij iemand heel zorgvuldig controleert. Hier komt datakwaliteit om de hoek kijken: ervoor zorgen dat het verhaal dat de data vertelt, ook daadwerkelijk waar is.

---

Het Vierfasige Detectivekwartet

In dit onderzoek heeft een onderzoeker genaamd Samuel Maniraj Selvaraj een supergeorganiseerde, vierstaps checklist opgesteld om ervoor te zorgen dat twee verschillende stapels gegevens van kankerpatiënten klaar waren om te worden samengevoegd. Hij heeft de data niet alleen even bekeken; hij heeft ze door een rigoureuze "kwaliteitscontrole-tunnel" geleid, waarbij hij de data behandelde als een hoogwaardig product dat perfect moet zijn voordat het kan worden gebruikt voor beslissingen van leven of dood.

Denk aan het proces als het voorbereiden van twee verschillende batches ingrediënten om een enorme, complexe taart te bakken voor een farmaceutisch bedrijf. Je hebt Batch A (van een bepaalde set ziekenhuizen) en Batch B (van een andere). Voordat je ze kunt mengen, moet je controleren of ze niet bedorven zijn, of het daadwerkelijk de ingrediënten zijn die je denkt dat het zijn, en of ze niet halverwege het proces zijn omgewisseld.

Fase 1: De Receptcontrole (Validatie van de Mapping File)
Eerst controleerden ze de "receptkaarten". Deze kaarten vertellen de computer hoe de rommelige ziekenhuiscodes moeten worden vertaald naar de schone, standaardtaal (de OMOP Common Data Model). De regel hier is simpel: heeft elke enkele code een geldige vertaling? Het team voerde uitvoerige controles uit op elk record. Hoewel de studie bevestigde dat de mapping files voldeden aan de structurele regels die nodig zijn om door te gaan, werd het specifieke percentage records dat deze controles doorstond niet vermeld in het definitieve rapport. De belangrijkste conclusie is dat de basis als geldig werd beschouwd om verder te gaan, maar de exacte "score" van de receptkaarten blijft privé.

Fase 2: De Assemblagecontrole (Structurele Mapping Validatie)
Vervolgens hielden ze de lopende band in de gaten. Dit is waar de eigenlijke data worden verplaatst van de rommelige ziekenhuisbestanden naar de schone, standaard database. Ze controleerden of er geen records van de lopende band vielen en of er geen records werden gedupliceerd (zoals een patiënt die per ongels twee keer voorkomt). Ze controleerden ook of de data in de juiste dozen terechtkwamen. Bijvoorbeeld: een "medicijn"-record zou niet in de "chirurgie"-doos terecht mogen komen. De studie rapporteerde dat de data succesvol van bron naar doel waren verplaatst voor alle gevalideerde domeinen, waarmee een "Pass"-status werd behaald. Hoewel de structurele transformatie als succesvol werd bevestigd, werd het precieze percentage aan dataverlies of het totale volume aan verwerkte records niet expliciet als percentage berekend in de openbare bevindingen.

Fase 3: De Betekeniscontrole (Conceptuele Mapping Validatie)
Dit is waar het ingewikkeld wordt. Alleen omdat een record in de juiste doos terechtkomt, betekent niet dat het logisch is. Stel je een label voor met "Appel", maar het is eigenlijk een afbeelding van een banaan. De computer kan denken dat het een appel is omdat de doos met "Fruit" is gelabeld, maar een mens moet controleren of het label wel klopt. Het team liet experts de data beoordelen om te verzekeren dat de medische termen daadwerkelijk overeenkwamen met wat de artsen bedoelden. Ze bevestigden dat de data semantisch correct genoeg waren om door te komen, maar de studie merkte expliciet op dat de onderliggende "Conceptual Concordance Rate"—het exacte percentage records dat perfect was gemapt—niet werd vrijgegeven. De experts gaven groen licht, maar de gedetailleerde statistieken over hoeveel "appels" eigenlijk "bananen" waren, blijven verborgen.

Fase 4: De Leveringscontrole (Data Synchronisatie Validatie)
Ten slotte controleerden ze de bezorgwagen. De data waren schoongemaakt en georganiseerd in een beveiligde kluis (de hoofddatabase), maar onderzoekers hebben toegang tot de data via een publiek portaal (een website). Het team zorgde ervoor dat wat er in de kluis zat, exact hetzelfde was als wat er op de website stond. Ze wilden zeker weten dat niemand naar oude, verouderde data keek terwijl de kluis verse data bevatte. Deze "synchronisatie" was eveneens een perfecte score, wat bevestigde dat de data die beschikbaar zijn voor gebruikers overeenstemmen met de gecertificeerde database.

De Verborgen Foutjes: Wanneer "Perfect" niet Perfect is

Hoewel de data alle vier de fasen hebben doorstaan en een "Groen Licht" kregen om te worden gebruikt, stopte het team daar niet. Ze voerden een speciale "plausibiliteitstest" uit, wat zoiets is als vragen: "Maakt dit verhaal wel zin?" Dit is waar ze enkele zeer vreemde, grappige en zorgwekkende fouten vonden die een simpele computercontrole mogelijk gemist zou hebben.

Ze vonden drie hoofdvormen van "tijdreis"-fouten:

1. De Tijdreizende Patiënt: Sommige records lieten zien dat patiënten medische gebeurtenissen hadden voordat ze zelfs geboren waren. Bijvoorbeeld, een patiënt had een "Condition Occurrence" (zoals een diagnose) gedateerd vóór hun geboortedatum. In Data Source B waren er 9.213 patiënten met deze fout, en in Data source A waren er 63.
2. De Spookbezoeken: Ze vonden patiënten die de dokter bezochten nadat ze al overleden waren. In Data Source B hadden 354 patiënten een bezoekrecord gedateerd na hun overlijdensdatum. Dit is een groot probleem voor studies die proberen uit te zoeken hoe lang mensen leven na een diagnose.
3. De Magische Pillen: Ze vonden medicijnrecords met onmogelijke hoeveelheden. Sommige patiënten werden geregistreerd met 50.000 eenheden van een medicijn (wat fysiek onmogelijk is), terwijl anderen werden geregistreerd met 0 of zelfs negatieve hoeveelheden.
   • In Data Source A hadden een enorme 129.923 patiënten medicijnrecords met nul of negatieve hoeveelheden.
   • In Data Source B hadden 6.033 patiënten ditzelfde probleem, en een andere 1.772 hadden de "te veel pillen"-fout.

Waarom dit ertoe doet

De belangrijkste bevinding van dit artikel is niet dat de data "goed" waren (dat waren ze wel), maar dat zelfs "goede" data enorme, absurde fouten kunnen verbergen die een studie zouden ruïneren als ze niet gecontroleerd zouden worden. Als een onderzoeker zou proberen te bestuderen hoe goed een medicijn werkt zonder deze fouten te ontdekken, zouden ze kunnen concluderen dat een medicijn geweldig is omdat de "spookpatiënten" die na hun dood nog bezoeken hadden, langer leken te overleven, of dat een medicijn nutteloos is omdat de "negatieve pilhoeveelheden" de berekeningen verpestten.

Het artikel bewijst dat je een strikt, vierstaps regelgebaseerd systeem nodig hebt om deze fouten te vangen. Het is niet genoeg om alleen te zeggen dat de data "schoon" zijn. Je moet het recept controleren, de assemblage, de betekenis en de levering. En zelfs dan moet je zoeken naar de "tijdreis"-foutjes.

De auteur concludeert dat dit vierfasige framework een betrouwbare, herhaalbare manier is om te certificeren dat kankerdata klaar zijn voor gebruik. Het is een vangnet dat de "onmogelijke" verhalen vangt voordat ze wetenschappers kunnen misleiden. Hoewel de studie niet het exacte percentage fouten heeft berekend (omdat het totale aantal patiënten en de specifieke dekkingspercentages niet zijn gedeeld), laat het enorme aantal "spookbezoeken" en "negatieve pillen" zien dat dit soort diepgaande controle absoluut noodzakelijk is. Zonder dit zou het real-world bewijs waarop we vertrouwen in de strijd tegen kanker, gebouwd kunnen zijn op een fundament van tijdreizende patiënten en magische medicijnen.